Baixe o app para aproveitar ainda mais
Prévia do material em texto
PROBABILIDADE Aplicações à Estatística PROBABILIDADE Aplicaçõe~ à Estatística PAUL L. MEYER 1519.<1 MG13P~Tradução fiCRuy de C. B. Lourenço Filho \ Professor da Universidade Federal do Rio de Janeiro e da Escola Nacional de Ciências Estatísticas (ENCE/1BGE) 2~ EDIÇÃO 1i~I"rnflíllg"lf 0.528.348-4 iJC EDITORA ~ ~ L" edição: 1969 - Reimpressões: 1970,1972, 1974, 1975, 1976 (duas), 1977, 1978 (duas), 1980, 1981 e 1982 2: edição: 1983 - Reimpressões: 1991,1994 (duas), 1995, 1997, 1999 e 2000 Copyright@ 1969 por Ao Livro Técnico Título do original em inglês: Introductory Probability and Statistical Applications Copyright@ 1965 e 1969 por Addison-Wesley Publishing Company, Inc. AlI rights reserved. Authorized trans1ation from english 1anguage edition pub1ished by Addison-Wes1ey Publishing Company, Inc. Direitos exclusivos para a língua portuguesa Copyright @ 1983 by L TC - Livros Técnicos e Científicos Editora S.A. Travessa do Ouvidor, 11 Rio de Janeiro, RI - CEP 20040-040 Te!.: 21-221-9621 Fax: 21-221-3202 Reservados todos os direitos. É proibida a duplicação ou reprodução deste volume, no todo ou em parte, sob quaisquer formas ou por quaisquer meios (eletrônico, mecânico, gravação, fotocópia ou outros), sem permissão expressa da Editora. Para A lan e David NOTADA EDITORA Temos por norma, nas traduções que editamos, converter as unida- des para o sistema legalno Brasil. No presente caso, abrimos uma exceção. O livro possui problemas nos sistemas inglês, CGS e MKS, que foram mantidos, a conselho de especialistasno assunto, visando a dar ao estudante maior flexibilidade, pela oportunidade de praticar nos diferentes sistemas. A EDITORA PREFÁCIO DA SEGUNDAEDIÇÃO Devido ao considerávelnúmero de observaçõesfavoráveisque recebi durante os anos passados, tanto de alunos como de professores que empregaram a primeira edição deste livro, relativamente poucas altera- ções foram feitas. Durante a minha própria utilização repetida do livro, verifiquei que a organização básica do conteúdo e o nível geral de apresentação (por exemplo, a mistura de demonstrações matemáticas rigorosas com explanações mais informais e exemplos) estão bastante adequados ao tipo de estudante que se inscreveno curso. No entanto, diversasmodificaçõese acréscimosforam feitos. Antes de mais nada, foi realizado um esforço para eliminar os diversosenganos e erros de impressão que existiam na primeira edição. O autor é extre- mamente grato aos muitos leitores que não somente descobriram algunsdeles, como foram bastante interessados em me apontá-Ios. Em segundo lugar, foi feito um esforço para lançar maior esclareci- mento na relação entre várias distribuições de probabilidade, de modo que o estudante pudesse alcançar maior compreensão de como diversos modelos probabilísticos podem ser empregados para com uni obter aproximação de outro. Finalmente, alguns problemas novos foram acrescentados à já extensa lista incluída na primeira edição. O autor deseja agradecer, mais uma vez, à Addison-WesleyPu- blishing Company, pela sua cooperação em tudo quanto contribuiu para esta nova edição. P.L.M. Pullman, Washington PREFÂCIODA PRIMEIRA EDIÇÃO Se temer que suspeitem ser sua na"ativa inverídica,lembre-sedaprobabilidade. JOHN GAY Este livro é destinado a cursos de um semestre ou dois quadri- mestres, de Introdução à Teoria da Probabilidade e algumas de suas aplicações. O pré-requisito é um ano de Cálculo Diferencial e Integral. Não se supõe qualquer conhecimento prévio de Probabilidade ou de Estatística. Na Washington State University, o curso, para o qual este livro foi preparado, vem sendo lecionado há algunsanos, principalmente a alunos orientados para a Engenharia ou às Ciências Naturais. A maioria desses alunos pode dedicar somente um semestre ao estudo desta matéria, porém, já que esses alunos estão familiarizados com o Cálculo, estão em condições de começar o estudo desta matéria por um nível além daquele estritamente elementar. Muitos tópicos da Matemática podem ser apresentados em di- ferentes estágios de dificuldade, e isto é certamente verdade para a Probabilidade. Neste livro, faz-se um esforço para tirar' proveito da base matemática do leitor, semultrapassá-Ia.Linguagemmatemática rigorosa é empregada, mas toma-se o cuidado de não se ficar excessi- vamente mergulhado em minúcias matemáticas desnecessárias. Este não é, seguramente, um "livro de receitas". Muito embora alguns conceitos sejam introduzidos e explicados de maneira não formal, as defmições e os teoremas são enunciados cuidadosamente. Quando uma demonstração pormenorizada de um teorema não é factível ou desejável, ao menos um esboço das idéias importantes é oferecido. Um traço peculiar deste livro são os "Comentários", que se seguem à maioria dos teoremas e definições. Nesses Comentários, o particular conceito ou resultado que esteja sendo apresentado é explicado de maneira intuitiva. Em virtude da restrição que nos impusemos, de escrever um livro relativamente conciso sobre um domínio muito extenso, algumas escolhas tiveram de ser feitas, quanto à inclusão ou exclusão de deter- minados tópicos. Não parece existir maneira óbvia de resolver esta XII I PREFAcIO DA PRIMEIRA EDiÇÃO PREFAcIO DA PRIMEIRA EDiÇÃO I XIII questão. Certamente, n[o sustento que para alguns dos tópicos exclui- dos, não se pudesse encontrar um lugar; nem pretendo que alguma parte da matéria n[o se pudesse omitir. Não obstante, para a maior parte dela, deu-se destaque às noções fundamentais, apresentadas bastante pormenorizadamente. Somente o Capo 11, sobre confiabili- dade, poderia ser considerado "artigo supérfluo", mas ainda aqui, sinto que as noções associadas às questões de confiabilidade são de interesse fundamental para muitas pessoas. Além disso, conceitos de confiabili- dade constituem veículo excelente para se ilustrarem muitas das idéias anteriormente introduzidas ao livro. Muito embora a cobertura seja limitada pelo tempo disponível, uma seleção razoavelmente ampla dos assuntos foi conseguida. De um exame rápido do Sumário, fica evidenciado que cerca de três quartos do livro 8[0 dedicados a assuntos probabilísticos, enquanto o último quarto é dedicado a uma explanação da Inferência Estatística. Apesar de nada haver de extraordinário nesta particular divisão de importância entre Probabilidade e Estatística, creio que um sólido conhecimento dos fundamentos da Probabilidade é obrigatório para uma compreensão adequada dos métodos estatísticos. Idealmente, um curso de Probabi- lidade deveria ser seguido de outro, de Teoria e Metodologia Estatísti- cas. No entanto, como já mencionei anteriormente, a maioria dos alunos que toma este curso não tem tempo para uma exposição de dois semestres nesse domínio e, por isso, senti-me compelido a explanar ao menos alguns dos mais importantes aspectos do tema geral da Inferência Estatística. a sucesso potencial de determinada apresentação de um assunto não deve ser avaliado apenas em termos das idéias específicas aprendi- das e das técnicas específicas adquiridas. A apreciação fmal deve tam- bém levar em conta quão bem o estudante ficará preparado para con- tinuar seu estudo do assunto, sejapor si mesmo, seja através do trabalho em um curso complementar. Se este critério for considerado impor- tante, então se tomará evidente que os conceitos básicos e as técnicas fundamentais devam ser salientados, enquanto métodos e tópicos altamente especializados devam ser relegados a um papel secundário. Isto se toma também um importante fator na seleção de quais tópicos incluir. A importância da teoria da Probabilidade é difícil de se exagerar. a modelo matemático apropriado para o estudo de um grande número de fenômenos observáveisé mais um modelo probabilístico do que um determinístico. Além disso, todo o assunto da Inferência Estatística é baseado em considerações probabilísticas. Técnicas estatísticas estão entre as mais importantes ferramentas dos cientistas e engenheiros. A fim de empregar inteligentemente essas técnicas, um profundoconhe- cimento dos conceitos probabilísticos é exigido. Espera-se que, além dos vários métodos e conceitos específicos com os quais o leitor venha a se familiarizar, ele também desenvolva uma certa atitude: a de pensar probabilisticamente, substituindo ques- tões como "Quanto tempo este componente funcionará?" por "Quão provável é que este componente funcione mais do que 100 horas?" Em muitas situações, a segunda questão poderá ser não somente a mais apropriada, mas de fato a única que tenha sentido fazer-se. Tradicionalmente, muitos dos importantes conceitos de probabi- lidade são ilustrados com o auxílio de diferentes "jogos de azar";joga- das de moedas ou dados, extração de cartas de um baralho, giração de uma roleta etc. Muito embora eu n[o tenha evitado inteiramente a referência a tais jogos, já que eles servem para ilustrar as noções funda- mentais, um esforço foi feito para colocar o estudante em contato com ilustrações mais adequadas das aplicações da probabilidade: a emissão de partículas IXpor uma fonte radioativa, amostragem de lotes, duração da vida de dispositivos eletrônicos, e os problemas relacionados de confiabilidade de componentes e de sistemasetc. Estou relutante em mencionar o mais óbvio traço de qualquer livro de Matemática: os problemas. E, no entanto, parece-me proveitoso salientar que a resolução de problemas deve ser considerada parte inte- grante do curso. Somente ao se tomar pessoalmente interessado em propor e resolver os exercícios, poderá realmente o estudante desen- volv~r uma compreensão e apreciação das idéias e uma familiaridade com as técnicas adequadas. Por isso, mais de 330 problemas foram incluídos no livro e, para mais de metade deles, respostas são dadas ao fim do livro. Além dos problemas propostos ao leitor, há numerosos exemplos resolvidos, espalhadosatravés do livro. Este livro foi escrito de maneira bem encadeada: o entendimento da maioria dos capítulos exige conhecimento profundo dos capítulos anteriores. Contudo, é possível examinar os Caps. 10 e 11 um tanto despreocupadamente, particularmente se alguém estiver interessado em dedicar mais tempo às aplicações estatísticas que são explanadas nos Caps. 13 a 15. Tal como deve ser certo para qualquer um que escrevaum livro, os débitos que tenho são muito numerosos: para com meus colegas,por muitas conversas estimulantes e úteis; para com meus próprios profes- sores, pelo conhecimento e interesse neste assunto; para com os críti- cos das versões anteriores do manuscrito, por muitas sugestõese críticas úteis; para com a Addison-WesleyPublishing Company, por sua grande ajuda e cooperação desdê as fases iniciais até o fuo mesmo deste pro- XIV I PREFAcIO DA PRIMEIRA EDIÇAO jeto; para Com a Br!l Carol Sloan, por ser uma datilógrafa eficiente e atenta; paIa com D. Van Nostrand, Inc., The Free Press, Inc. e Mac- millan Publishing Company, por sua permissão para reproduzir as Tábuas 3, 6 e 1, respectivamente; para com McGraw-HillBook Co., Inc., Oxford University Press Inc., Pergamon Press, Ltda. e Prentice- Hall, Inc., por suas permissões para citar determinados exemplos no texto, e, fmalmente para com minha esposa, não somente por me am- parar no esforço, como também por "deixar-me" e levar nossos dois filhos com ela a visitarem os avós, por dois cruciais meses de verão, du- rante os quais fui capaz de transformar nossa casa em uma desordenada, porém tranqüila oficina, da qual surgiu, miraculosamente, a última versão final deste livro. SUMÁRIO P.L.M. Pullman, Washington Abril, 1965 Caprtulo 1. Introdução à Probabilidade 1.1 Modelos Matemáticos 1 1.2 Introdução aos Conjuntos 4 1.3 Exemplos de Experimentos Não-Determinísticos 8 1.4 O Espaço Amostral 11 1.5 Eventos 13 1.6 Freqüência Relativa 15 1.7 Noções Fundamentais de Probabilidade 17 1.8 Duas Observações 21 Caprtulo 2. Espaços Amostrais Finitos 2.1 Espaço Amostral Finito 26 2.2 Resultados Igualmente Verossímeis 27 2.3 Métodos de Enumeração 29 Caprtulo 3. Probabilidade Condicionada e Independência 3.1 Probabilidade Condicionada 42 3.2 Teorema de Bayes 49 3.3 Eventos Independentes 52 Caprtulo 4. Variáveis Aleat6rias Unidimensionais 4.1 Noção Geral de Variável Aleatória 66 4.2 Variáveis Aleatórias Discretas 72 4.3 A Distribuição Binomial 75 4.4 Variáveis Aleatórias Contínuas 80 4.5 Função de Distribuição Acumulada 85 4.6 Distribuições Mistas 89 4.7 Variáveis Aleatórias Uniformemente Distribuídas 89 4.8 Uma Observação 91 Caprtulo 5. Funções de Variáveis Aleat6rias 5.1 Um Exemplo 97 5.2 Eventos Equivalentes 97 5.3 Variáveis Aleatórias Discretas 100 5.4 Variáveis Aleatórias Contínuas 101 XVI I SUMARIO Caprtulo 6. Caprtulo 7. Caprtulo 8. Caprtulo 9. Variáveis Aleatórias de Duas ou Mais Dimensões 6.1 6.2 6.3 6.4 6.5 Variáveis Aleatórias Bidimensionais Distribuições de Probabilidade Marginal e Condicionada Variáveis Aleatórias Independentes Funções de Variável Aleatória Distribuição do Produto e do Quociente de Variáveis Aleatórias Independentes Variáveis Aleatórias n-Dimensionais6.6 Caracterização Adicional das Variáveis Aleatórias 7.1 O Valor Esperado de Uma Variável Aleatória 7.2 Expectância de uma Função de uma Variável Aleatória 7.3 Variáveis Aleatórias Bidimensionais 7.4 Prupriedades do Valor Esperado 7.5 A Variância de uma Variável Aleatória 7.6 Propriedades da Variância de uma Variável Aleatória 7.7 Expressões Aproximadas da Expectância e da Variância 7.8 A Desigualdade de Tchebycheff 7.9 O Coeficiente de Correlação 7.1 O Valor Esperado Condicionado 7.11 Regressão da Média Variáveis Aleatórias Discretas: A de Poisson e Outras 8.1 8.2 A Distribuição de Poisson A Distribuição de Poisson como Aproximação da Distribuição Binomial O Processo de Poisson A Distribuição Geométrica A Distribuição de Pascal Relação entre as Distribuições Binomial e de Pascal A Distribuição Hipergeométrica A Distribuição Multinomial 8.3 8.4 8.5 8.6 8.7 8.8 Algumas Variáveis Aleatórias Contínuas Importantes 9.1 9.2 9.3 9.4 9.5 9.6 9.7 9.8 Introdução A Distribuição Normal Propriedades da Distribuição Normal Tabulação da Distribuição Normal A Distribuição Exponencial Propriedades da Distribuição Exponencial A Distribuição Gama Propriedades da Distribuição Gama SUMARIO I XVII 110 116 121 124 9.9 A Distribuição de Qui-quadrado 9.10 Comparações entre Diversas Distribuições 9.11 A Distribuição Normal Bidimensional 9.12 Distribuições Truncadas Caprtulo 10. A FunçãoGeratrizde Momentos 128 131 10.1 Introdução 10.2 A Função Geratriz de Momentos 10.3 Exemplos de Funções Geratrizes de Momentos 10.4 Propriedades da Função Geratriz de Momentos 10.5 Propriedades Reprodutivas 10.6 Seqüências de Variáveis Aleatórias 10.7 Observação Final 137 144 149 150 156 159 162 165 167 172 175 Capítulo 11. Aplicações à Teoria da Confiabilidade 11.1 Conceitos Fundamentais 11.2 A Lei de Falhas Normal 11.3 A Lei de Falhas Exponencial 11.4 A Lei de Falhas Exponencial e a Distribuição de Poisson 11.5 A Lei de Falhas de Weibull 11.6 Confiabilidade de Sistemas Caprtulo 12. Somas de Variáveis Aleatórias 186 12.1 Introdução 12.2 A Lei dos Grandes Números 12.3 Aproximação Normal da Distribuição Binomial 12.4 O Teorema do Limite Central 12.5 Outras Distribuições Aproximadas pela Distribuição Normal: a de Poisson, a de Pascal e a Gama 12.6 A Distribuição da Soma de um Número Finito de Variáveis Aleatórias 187 194 200 203 205 206 208 Caprtulo 13. Amostras e Distribuições Amostrais 214 214 215 219 223 223 227 228 13.1 Introdução 13.2 Amostras Aleatórias 13.3 Estatísticas 13.4 Algumas Estatísticas Importantes 13.5 A Transformação Integral Caprtulo 14. Estimação de Parâmetros 14.1 Introdução 14.2 Critérios para Estimativas 14.3 Alguns Exemplos 14.4 Estimativas de Máxima Verossimilhança 14.5 O Método dos Mínimos Quadrados 230 233 234 236. 245 246 247 250 255 259 260 263 267 268 271 273 274 284 286 288 292 297 299 308 310 312 313 321 329 330 334 339 349 XVIII I SUMARIO 14.6 O Coeficiente de Correlação 14.7 Intervalos de Confiança 14.8 A Distribuição de t deStudent 14.9 Mais Sobre Intervalos de Confiança Capftulo 15. Testes de Hipóteses 15.1 Introdução 15.2 Formulação Geral: Distribuição Normal com Variância Conhecida 15.3 Exemplos Adicionais 15.4 Testes de Aderência APÊNDICE RESPOSTAS A PROBLEMAS SELECIONADOS INDICAÇÕES BIBLIOGRÁFICAS fNDICE ALFABÉTICO 354 355 357 360 370 Introdução Probabilidade , a 376 381 385 Capítulo 1 397 412 420 422 1.1. Modelos Matemáticos Neste capítulo examinaremos o tipo de fenômeno que estuda- remos por todo este livro. Além disso, formularemos um modelo matemático que nos ajudará a investigar, de maneira bastante pre- cisa, esse fenômeno. De início, é muito importante distinguir o pr6prio fenômeno e o modelo matemático para esse fenômeno. Naturalmente, não exercemos influência sobre aquilo que observamos. No entanto, ao escolher um modelo, podemos lançar mão de nosso julgamento critico. Isto foi especi.almente bem expresso pelo Prof. J. Neyman, que escreveu:* "Todas as vezes que empregarmos Matemática a fim de estudar alguns fenômenos de observação, deveremos essencialmente começar por construir um modelo matemático (determinístico ou probabilístico) para esses fenô- menos. Inevitavelmente, o modelo deve simplificar as coisas e certos por- menores devem ser desprezados. O bom resultado do modelo depende de que os pormenores desprezados sejam ou não realmente sem importância na elucidação do fenômeno estudado. A resolução do problema matemático pode estar correta e, não obstante, estar em grande discotdância com os dados ob- servados, simplesmente porque as hipóteses básicas feitas não sejam confirma- das. Geralmente é bastante difícil aíirmar com certeza se um modelo mate- mático especificado é ou não adequado, antes que alguns dados de observação sejam obtidos. A fim de verificar a. validade de um modelo, deveremos dedu- zir um certo número de conseqüências de nosso modelo e, a seguir, comparar esses resultados previstos com observações." Deveremos nos lembrar das idéias acima enquanto estivermos estudando alguns fenômenos de observação e modelos apropriados .Univer8ity of Califomia Publicatiom in Stalistics, VoI. I, University of Calüornia. Presa, 1954. 2 I PROBABILIDADE INTRODUÇÃO À PROBABILIDADE I 3 par:a sua explicação. Vamos examinar, inicialmente, o que se pode adequadamente denominar modelo detenninf8tico. Por essa expres- são pretendemos nos referir a um modelo que estipule que as con- dições sob as quais um experimento seja executado determinem o resultado do experimento. Por exemplo, se introduzirmos uma bateria em um circuito simples, o modelo matemático que, presumi- velmente, descreveria o fluxo de corrente elétrica observável seria I = E/R, isto é, a Lei de Ohm. O modelo prognostica o valor de I tão logo os valores de E e R sejam fornecidos. Dizendo de outra maneira, se o experimento mencionado for repetido um certo número de vezes, toda vez utilizando-se o mesmo circuito (isto é, conservan- do-se fixados E e R), poderemos presumivelmente esperar observar o mesmo valor para I. Quaisquer desvios que pudessem ocorrer seriam tão pequenos que, para a maioria .das finalidades, a descrição acima (isto é, o modelo) seria suficiente. O importante é que a ba- teria, fio, e amperômetro particulares utilizados para gerar e obser- var a corrente elétrica, e a nossa capacidade de empregar o instru- mento de medição, determinam o resultado em cada repetição. (Exis- tem determinados fatores que bem poderão ser diferentes de repeti- ção para repetição, que, no entanto, não influenciarão de modo dig- no de nota o resultado. Por exemplo, a temperatura e a umidade no laboratório, ou a estatura da pessoa que lê o. amperômetro, po- de-se razoavelmente admitir, não terão influência no resultado.) Na natureza, existem muitos exemplos de "experimentos", para os quais modelos determiofsticos são apropriados. Por exemplo, as leis da gravitação explicam bastante precisamente o que ~contece a um corpo que cai sob determinadas condições. As leis de Kepler nos dão o comportamento dos planetas. Em cada situação, o. mo- delo especifica que as condições, sob as quais determinado fenÔmeno acontece, determinam o valor de aJ.gumas variáveis observáveis: a grandeza da velocidade, a drea varrida durante determinado pe- dodo de tempo etc. Esses números aparecem em muitascdas fór;' mulas com as quais estamos familiarizados. Por exemplo, sa- bemos que, sob determinadas condições, a distância percorrida (verticalmente, acima do solo) por um objeto é dada por 8 = -16t2 + + vol, onde vo é a velocidade inicial e t o tempo gasto na queda. O ponto, no qual desejamos fixar nossa atenção, não é a forma parti- cular da equação acima (que é quadrática), mas antes o fato de que existe uma relação definida entre t e 8, a qual determina univo- carnente a quantidade no primeiro membro da equação, se aquelas no segundo membro forem fornecidas. - - Para um grande número de situações, o modelo matemático determinístico apresentado acima é suficiente. Contudo, existem também muitos fenômenos que requerem um modelo matemático diferente para sua investigação. São os que denominaremosmodelos não-detenninf8ticosou probabÜf8ticos. (Outra expressão muito comu- mente empregada é modelo estocástico.) Mais adiante neste capítulo, estudaremos muito minuciosamente, como tais modelos probabilisticos podem ser apresentados. Por ora, examinaremos alguns exemplos. Suponhamos que se tenha um fragmento de material radioativo que emita partículas alia. Com o auxílio de um dispositivo de con- tagem, poderemos registrar o número dessas partfculas emitidas durante um intervalo de tempo especificado. ~ evidente que não poderemos antecipar precisamente o número de partículas emitidas, ainda que se conheçam de modo exato a forma, a dimensão, a compo- sição química e a massa do objeto em estudo. Por isso, parece não existir modelo determinfstico razoável que forneça o número de par- tículas emitidas, por exemplo n, como uma função de várias carac- terísticas pertinentes ao material fonte. Deveremos considerar, em seu lugar, um modelo probabilistico. Como outro exemplo, considere-se a seguinte situação meteo- rológica. Deseja-se deterniinar qual a precipitação de chuva que cairá como resultado de uma tempestade particular, que ocorra em determinada localidade. Dispõe-se de instrumentos para registrar a precipitação. Observações meteorol6gicas podem nos fornecer considerável informação relativa à tempestade que se avizinhe: pressão barométrica em vários pontos, variações de pressão, velocidade do vento, origem e direção da tormenta, e várias leituras referentes a altitudes elevadas. Contudo, quão valiosas essas informações possam ser para o progn6stico da natureza geral da precipitação (digamos, fraca, média ou forte), simplesmente não tornam possível dizer-se quanta chuva irá cair. Novamente estaremos nos ocupando de um .fenÔmeno que não se presta a um tratamento determinístico. Um modelo probabilistico explica a situação mais rigorosamente. Em princípio, poderemos ser capazes de dizer quanta chuva caiu se uma teoria tiver sido desenvolvida (o que não foi). Por isso, empregaremos um modelo probabilístico. No exemplo que trata de desintegração radioativa, deveremos empregar um modelo probabi- listico invariavelmente em prindpio. Arriscando-nos a adiantarmos demais na apresentação de um conceito que será definido posteriormente, vamos apenas afirmar que, em um modelo determinístico, admite-se que o resultado efetivo 4 I PROBABILIDADE INTRODUÇÃO À PROBABILIDADE I 5 1.2. Introdução aos Conjuntos objetos que estejam sendo estudados. Este conjunto é, geralmente representado pela letra U. O outro conjunto que deve ser destacado pode surgir da seguinte maneira: Suponha.-se que o conjunto A seja descrito como o con- junto de todos os números reaiB x, que satisfaçam à equação Xl + 1 = O. Naturalmente, sabemos que não existem tais números; isto é, o conjunto A não contém qualquer elemento. Esta situação ocorre tão freqüentemente que se justifica a introdução deum nome especial para esse conjunto. Por isso, definiremos o conjunto vazio ou nulo como o conjunto que não contenha qualquer elemento. Ge- ralmente se representa esse conjunto por 0. Pode acontecer que, quando dois conjuntos A e B sejam consi- derados, ser elemento de A implique ser elemento de B. Nesse caso, diremos que .,4 é um subconjunto 'de B, e escreveremos A C B. In- terpretação semelhante será dada para B C A. Diremos que dois conjuntos constituem o mesmo conjunto, A = B, se, e somente se, A C B e B C A. Desse modo, dois conjuntos serão iguais se, e so- mente se, eles contiverem os mesmos elementos. As duas seguintes propriedades do conjunto vazio e do conjunto fundamental são imediatas: (numérico ou de outra espécie) seja detenninado pelas condições sob as quais o experimento ou o procedimento seja executado. Em um modelo não-determinístico, no entanto, as condições da experi- mentação determinam somente o comportamento probabilístico (mais especificamente, a lei probabilística) do resultado observável. Em outras palavras, em um modelo determinístico empregamos "considerações físicas" para prever o resultado, enquanto em um modelo probabilístico empregamos a mesma espécie de considerações para especificar uma distribuição de probabilidade. A fim de expor os conceitos básicos do modelo probabilístico que desejamos desenvolver, será conveniente conhecer algumas idéias e conceitos da teoria matemática dos conjuntos. Este é um assunto dos mais extensos e muito se tem escrito sobre ele. Contudo, neces- sitaremos apenas de algumas noções fundamentais. Um conjunto é uma coleção de objetos. Usualmente, conjuntos são representados por letras maiúsculas A, B etc. Existem três maneiras de descrever que objetos esttio contidos no conjunto A: (a) Poderemos fazer uma lista dos elementos de A. Por exem- plo, A = 11, 2, 3, 4} descreve o conjunto formado pelos inteiros positivos 1, 2, 3, 4. (b) Poderemos descrever o conjunto A por meio de palavras. Por exemplo, poderemos dizer que A é formado de todos os números reais entre O e 1, inclusive. (c) Para descrever o conjunto acima poderemos simplesmente éscrever A = Ix IO ~ x ~ I} i isto é, A é o conjunto de todos os x. onde x é um número real entre O e 1, inclusive. (a) Para todo conjunto A, temos que 0 C A. (b) Desde que se tenha definido o conjunto fundamental, então, para todo conjunto A, considerado na composição de U, teremos AC U. Os objetos que individualmente formam a coleção ou conjunto A são denominados membros ou elementos de A. Quando "a" for um elemento de A, escreveremos a E A, e quando "a" não for um elemento de A, escreveremos a EEA. Existem dois conjuntos especiais que, freqüenternerite, nos in- teressarão. Em muitos pronlemas nos dedicaremos a estudar um conjunto definido de objetos, e não outros. Por exemplo, poderemos nos interessar por todos os números reais, por todas as peças que saem de uma linha de produção durante um período de 24 horas etc. Definiremos o conjunto fundamental como o conjunto de todos os Exemplo 1.1. Suponha-se que U = todos os números reais, A = Ix Ix2 + 2x ~ 3 = O}, B = Ix I (x - 2) (x2 + 2x - 3) = O} e C = Ixlx = -3,1, 2}. Então, A C B e B = C. A seguir, estudaremos a importante idéia de combinar conjun- tos dados, a fim de formarmos um novo conjunto. Há duas opera- ções fundamentais, e essas operações se assemelham, em certos as- pectos, à.<3operações de adição e multiplicação de números. Sejam dois conjuntos A e B. Definiremos C como a união de A e B (algumas vezes denomi- nada a soma de A e B), da seguinte maneira: C = Ixlx E A ou x E B (ou ambos)}. Escreveremos a união de A e B, assim: C = A U B. Desse modo, , C será formado de todos os elementos que estejam em A, ou em B, ou em ambos. 6 I PROBABI LI DADE INTRODUÇÃO À PROBABILIDADE I 7 Definiremos D como a inter8eçãode A e B (algumas vezes deno. minada o prodüto de A e B), da seguinte maneira: D = {xix E A e x E B}. Afirmamos que alguns conjuntos são equivalentes, por exemplo, A () (B () C) e (A () B) () C. Conclui-se que existe ul)l certo número de tais conjuntos equivalenre8,alguns dos quais estão rela- cionados abaixo. Se nos lembrarmos de que dois conjuntos são o mesmo conjunto sempre que eles contenham os mesmos elementos, será fácil mostrar que as afirmações feitas são verdadeiras. O leitor poderá se convencer disso, com a ajuda dos Diagramas de Venn. Escreveremos a interseção de A e B, assim: D = A () B. Portanto, D será formado de todos os elementos que estão em A e em B. Finalmente, introduziremos a noção de camplemento'de um con- junto A, na forma seguinte: O conjunto denotado por A, consti- tlÚdo por todos os elementos que não estejam em A (mas que e~tejam no conjunto fundamental U) é denominado complemento de A. Isto é, A = {xix EEAI. Um recurso gráfico, conhecido como Diagrama de Venn, poderá ser vantajosamente empregado quando estivermos combinando con- juntos, na maneira indicada acima. Em cada diagrama na Fig. 1.1, a região 8ambreadarenresenta o conjunto sob exame. (a) A U B = B U A, (b) A () B = B () A, (1.1) (c) A U (B U C)=(A U B) U C, (d) A () (B () C) = (A () B) () C. Denominaremos (a) e (b) leis camutativas, e (c) e (d) leis aB8ociativaB. AuB AnB Há outras identidade8de conjuntos encerrando união, interseção e complementação. As mais importantes delas estão enumeradas a seguir. A validade de cada uma delàS poderá ser verificada com a ajuda de um Diagrama de Venn. CD (e) A U (B () C) = (A U B) () (A U C), (f) A () (B U C) = (A () B) U (A () C), (g) A () 0 = 0, (h) A U 0 = A, ú) (A n B) = A U R, (1.2) (t) (A U B) = 11() R, (k) A = A. Flg. 1.1 Observe-se que (g) e (h) mostram que 0 se comporta entre os con- juntos (relativamente às operações'U e () da maneira que o nú- mero zero (com relação às operações de adição e multiplicação) o faz entre os números. Uma outra maneira de formar conjuntos, quando forem dados dois (ou mais) conjuntos, será necessáriaa seguir. Exemplo 1.2. Suponha-se que U = {I, 2, 3, 4, 5, 6, 7, 8, 9, 10I, A = {I, 2, 3, 4I, B = {3, 4, 5, 6I. Então, encontraremosque A = {5,6, 7, 8, 9, 10I, A U B = {I, 2, 3, 4, 5, 6 I e A () B = {3,4 I. Observe-se que, ao descrever um conjunto (tal como A U B), cada elemento é relacionado apenas uma vez. As operações de união e interseção, definidas acima para dois conjuntos, podem ser estendidas, intuitivamente, para qualquer número finito de conjuntos. Assim, definiremos A U B U C como A U (B U C) ou (A U B) U C, o que é equivalente, como se poderá ;verificar facilmente. De modo análogo, definiremos A () B n C como sendo A () (B n C) ou (A n B) n C, o que também se pode verificar serem equivalentes. ~ evidente que poderemos continuar essas composiçõesde conjuntos para qualquer número Jinito de con- juntos dados. . Definição. Sejam dois conjuntos A e B. Denominaremos produto cartesiano de A e D, denotando-o por A XD, o conjunto {(a, b), a EA, b E DI, isto é, o conjunto de todos os pares ordenados nos quais o pri- meiro elemento é tirado deA e o segundo,de D. Exemplo 1.3. Suponha-se que A = {l, 2, 31;B = {I, 2,3,41. Então, A XD = {(1, 1), (1, 2),..., (1, 4), (2,1)... , (2, 4), (3,1), ... , (3,4)}. Observação. Em geral,A X B "* B XA. 8 / PROBABILIDADE INTRODUÇÃO À PROBABILIDADE / 9 A noção acima pode ser estendida da seguinte maneira: Se A 1, . . . , An forem conjuntos, então,A1 XA2 X ...XAn ={(al,a2,...an), ai EAi I, ou seja, o conjunto de todas as ênuplas ordenadas. E1: Jogue um dado e observe o número mostrado na face de cima. Um caso especialimportante surge quando consideramoso produto cartesiano de um conjunto por ele próprio, isto é,A XA ouA XA XA. Exemplos disso surgem quando tratamos do plano euclideano, R X R, onde R é o conjunto de todos os números reais, e do espaço euclideano tridimensional, representado por R X R XR. O número de elementosde um conjunto terá grande importância para nós. Se existir um número finito de elementos no conjunto A, digamos aloa2, . . ., an,diremosque A é finito. Se existirum número infinito de elementosem A, os quais possam ser postos em correspon- dência biunívocacom os inteiros positivos, diremos que A é numerdvel ou infinito numerável. (Pode-se mostrar, por exemplo, que o con- junto de todos os números racionais é numerável.) :.Finalmente, deveremos considerar o caso de um conjunto infinito não-numerável; este tipo de conjunto possui um número infinito de elementos que não podem ser enumerados. Pode-se mostrar, por exemplo, que para quaisquer dois números reais b > a, o conjunto A = Ix Ia ~ x ~ bI contém um número não-numerável de elementos. Já que poderemos associar um ponto da reta dos números reais a cada número real, o que dissemos acima afirma que qualquer intervalo (não degenerado) contém mais do que um número contável de pontos. Os conceitos apresentados acima, muito embora representem apenas um rápido exame da teoria dos conjuntos, são suficientes para nossos objetivos: expor, com razoável rigor e precisão, as idéias fundamentais da teoria da probabilidade. E2: Jogue uma moeda quatro vezes e observe o número de caras obtido. E3: Jogtie uma moeda quatro vezes e observe a seqüência obtida de caras.e coroas. E.: Em uma linha de produção, fabrique peças em série e conte o número de peças defeituosas produzidas em um período de 24 horas. E&: Uma asa de avião é fixada por um grande número de rebi- tes. Conte o número de rebites defeituosos. 1.3. Exemplos de Experimentos Não-Determinísticos Ea: Uma lâmpada é fabricada. Em seguida é ensaiada quanto à duração da vida, pela colocação em um soquete e ano- tação do tempo decorrido (em horas) até queimar. E7: Um lote de 10 peças contém 3 defeituosas. As peças são retiradas uma a uma (sem reposição da peça retirada) até que a última peça defeituosa seja encontrada. O núme- ro total de peças retiradas do lote é contado. E.: Peças são fabricadas até que 10 peças perfeitas sejam pro- duzidas. O número total de peças fabricadas é contado. E.: Um míssil é lançado. Em um momento especificado t, suas três velocidades cOqlponentes,Vz,VIIe v. são observadas. ElO: Um míssil récem-lançado é observado nos instantes t1, t2, . . ., tn. Em cada um desses instantes, a altura do míssil acima do solo é registrada. Eu: A resistência à tração de uma barra metálica é medida. Eu: De uma uma, que só contém bolas pretas, tira-se uma bola e verifica-se sua cor. Eu: Um termógrafo registra a temperatura continuamente, num período de 24 horas. Em determinada localidade e em uma data especificada, esse termógrafo é lido. Eu: Na situação descrita em Eu, x e y, as temperaturas mínima e máxima, no período de 24 horas considerado, são regia- tradas. O que os experimentos acima têm em comum? Os seguintes tra- ços são pertinentes à nossa caracterização de um experimemo aleatório: (a) Cada experimento poderá. ser repetido indefinidamente sob condições essencialmente inalteradas. Estamos agora em condições de examinar o que entendemos por um experimento "aleatório" ou "não-determinístico". (Mais preci- samente, daremos exemplos de fenômenos, para os quais modelos não-determinísticos são apropriados. Esta é uma distinção que o leitor deverá guardar. Portanto, nos referiremos freqüentemente a experimentos não-determinísticos ou aleatórios, quando de fato estaremos falando de um modelo não-determinístico para um experi- mento.) :r\'ãonos esforçaremos em dar uma definição precisa deste r::onceito. Em vez disso, citaremos um grande número de exemplos que ilustrarão o que temos em mente. 10 I PROBABILIDADE INTRODUÇÃO À PROBABILIDADE I 11 (b) Muito embora não sejamos capazes de afirmar que resul- tado particular ocorrerá, seremos capazes de descrever o conjunto de todos os possíveis resultados do experimento. (c) Quando o experimento for executado repetidamente, os resultados individuais parecerão ocorrer de uma forma acidental. Contudo, quando o experimento for repetido um grande número de vezes, uma configuração definida ou regularidade surgirá. É esta regularidade que toma possível construir um modelo matemático preciso, com o qual se analisará o experimento. Mais tarde, teremos muito que dizer sobre a natureza e a importância desta regularidade. Por ora, o leitor necessita apenas pensar nas repetidas jogadas de uma moeda equilibrada. Muito embora caras e cor6'as apareçam sucessivamente, em uma maneira quase arbitrária, é fato empírico bem conhecido que, depois de um grande número de jogadas, a pro- porção de caras e a de coroas serão aproximadamente iguais. Deve-se salientar que todos os experimentos descritos acima satisfazem a essas características gerais. (Evidentemente, a última característica mencionada somente pode ser verificada pela experi- mentação; deixaremos para a intuição do leitor acreditar que se o experimento fosse repetido um grande número de vezes, a regulari- dade referida seria evidente. Por exemplo, se um grande número de lâmpadas, de um mesmo fabricante, fosse ensaiado, presumivel- mente o número de lâmpadas que se queimaria após 100 horas poderia ser previsto com precisão considerável.) Note-se que o experimento E 12 apresenta o traço peculiar de que somente um resultado é possível. Em geral, tais expel"ÚT'entosnão nos interessarão, porque, realmente, o fato de não sabermos qual particular resultado virá a ocorrer, quando um experimento for realizado, é que torna um experimento interessante para nós. Comentdrio: Ao descrever os diversos experimentos, nós especificamos não somente o procedimento que tem que ser realizado, mas também aquilo que estaremos interessados em observar (veja, por exemplo, a diferença entre E 2 e E 3' citados anteriormente). Este é um ponto muito importante, ao qual novamente nos referiremos mais tarde, quando explicarmos variáveis aleatórias. Por ora, vamos apenas comentar que, em conseqüência de um procedimento experimental isolado ou a ocorrência de um fenômeno único, muitos valores numéricos diferen- tes poderiam ser calculados. Por exemplo, se uma pessoa for escolhida de um grupo grande de pessoas (e a escolha real seria o procedimento experimental previamente mencionado), poderíamos estar interessados na altura daquela pessoa, no seu peso, na sua renda anual, no número de filhos dela etc. Naturalmente, na maioria dos casos, nós saberemos, antes de iniciar nossa experimentação, quais serão as características numéricas em que iremos estar interessados. 1.4. O Espaço Amostral Definição. Para cada experimento S do tipo que estamos con- siderando, definiremos o espaçoamostral como o conjunto de todos os resultados possiveis de S. Geralmente representaremos esse conjunto por S. (Neste contexto, 8 representa o conjunto fundamental, expli- cado anteriormente.) Vamos considerar cada um dos experimentos acima e descrever um espaço amostral para cada um deles. O espaço amostra! 8i s& referirá ao experimento Ei. SI: 11,2,3,4,5, 6}. 82: 10, 1, 2, 3, 4}. S3: Itodas as seqüências possiveis da forma aI>a2, aa, a.}, onde cada a; = H ou T, conforme apareça cara ou coroa na i-ésima jogada. S.: 10,1,2'00" Nj,ondeNéonúmeromáximoquepodeser produzido em '24 horas. S6: 1o, 1, 2,..., M j, onde M é o número de rebites empre- gado. S8: Itlt ~ O}. S7: 13, 4, 5, 6, 7, 8, 9, 1O}. S8: 110, 11, 12,. ..}. Se: IVz,VII'v.1Vz,VII'V. números reais}. SIO: Ihl,..., hnlhi ~ °, i = 1, 2,..., n}. 811: ITIT~O}. S12: Ibola preta}. SII: Este espaço amostral é o mais complexo de todos os consi- derados aqui. Podemos admitir, com realismo, que a tem- peratura em determinada localidade nunca possa ocorrer acima ou abaixo de certos valores 1If e m. Afora esta res- trição, poderemos aceitar a possibilidade de que qualquer gráfico apareça com determinadas restrições. Presumi- velmente, o gráfico não terá saltos (isto é, ele representará uma função contínua). Além disso, o gráfico terá certas caracterlsticas de regularização, que podem ser resumidas matematicamente dizendo-se que o gráfico representa uma função derivável. Deste modo, poderemos finalmente afirmar que o espaço amostral será: li IJ uma função derivável, que satisfaça a m ~ ~ J(t)~ M, para todo t}. 12 I PROBABILIDADE INTRODUÇÃO À PROBABILIDADE I 13 S14: /(X, y) 1m:::; X :::; Y :::; 11/}. Isto é, S14 é fonnado por todos os pontos dentro e sobre um triângulo, no plano x, y bidi- mensiona!. por exemplo se H = 100. Torna-se bem mais simples e, matemati- . camente, conveniente, admitir que todo8 os valoresde t ~ ° sejamre- sultados possíveis e, portanto, tratar o espaço amostrai Ss tal como foi originalmente definido. Diante desses comentários, alguns dos espaços amostrais des- critos são idealizados. Em todas as situações subseqüentes, o espaço amostral considerado será aquele que for matematicamente mais conveniente. Na maioria dos problemas, pouca dúvida surge quanto à escolha adequada do espaço amostra!. (Neste livro não cuidaremos de espaços amostrais da complexidade encontrada em S13' 1\0 entanto, tais espaços amostrais podem sur- gir, mas exigem para seu estudo mais :\latemática avançada do que estamos admitindo aqui.) A fim de descrever um espaço amostral associado a um experimento, devemos ter uma idéia bastante clara daquilo que estamos mensurando ou observando. Por isso, devemos falar de "um" espaço amostral associado a um experimento, e não de "o" espaço amostra!. A esse respeito, note-se a diferença entre S2 e S3' Saliente-se, também, que o resultado de um e:\:perimentonão é necessariamente, um número. Por exemplo, em E3, cada resultado é uma seqüência de caras (H) e ~oroas (T). Em Eg e Elo cada re- sultado é formado por um vetor, enquanto em Eu, cada resultado constitui uma função. Será também importante estudar o número de resultados em um espaço amostra!. Surgem três possibilidades: o espaço amostral pode ser finito, infinito numerável, ou infinito não-numeráve!. Re- lativamente aos exemplos acima, observamos que SI> S2, S3, S., S~, S7 e Su são finitos, S8 é infinito numerável, e Ss, Sg, SIO,Su, Su e S14 são infinitos não-numeráveis. Neste ponto poderá ser valioso comentar a diferença entre um espaço amostral "idealizado" matematicamente e um espaço reali- zável experimentalmente. Com este objetivo, consideremos o expe- rimento Es e seu espaço amostral associado Ss. f; evidente que, quando estivennos realmente registrando. o tempo total t, durante o qual uma lâmpada funcione, seremos "vitimas" da precisão de nosso instrumento de medir. Suponha-se que temos um instrumer.to que seja capaz de registrar o tempo com duas casas decimais, por exem- plo, 16,43 horas. Com esta restrição imposta, nosso espaçQ amos- trai se tornará infinito numerável: /0,00, 0,01,0,02,..:}. Além disso, é bastante próximo da realidade admitir que nenhuma lâmpada possa durar mais do que H horas, onde H pode ser um número muito grande. Conseqüentemente, parece que se fonnos completamente realistas na descrição deste espaço amostral, estaremos realmente tratando com um espaçoamostralfinito: {O,OO,0,01, 0,02,.. ., H}. O número total de resultados seria (H/O,OI)+ 1, que poderá ser um númeromuitogrande,mesmoque H seja moderadamentegrande, 1.5. Eventos Outra noção fundamental é o conceito de evento. Um evento A (relativo a um particular espaço amostral S, associado a um expe- rimento 8) é -simplesmenteum conjunto de resultados possíveis. Na terminologia dos conjuntos, um evento é um 8ubconjuntode um es- paço amostral S. Considerando nossa exposição anterior, isto sig- nifica que o próprio S constitui um evento, bem como o é o conjunto vazio 0. Qualquer resultado individual pode também ser tomado como um evento. Alguns exemplos de eventos são dados a seguir. Novamente, nos referimos aos experimentos relacionados acima: Ai se referirá ao evento associado ao experimento Ei: AI: Um número par ocorre, isto é, AI = /2, 4, 6}. A2: /2}; isto é, duas caras ocorrem. Aa: /HHHH, HHHT, HHTH, HTHH, THHH}; isto é, mais caras do que coroas ocorreram. A.: /O}; isto é, todas as peças são perfeitas. Ai: /3,4,.. " M}; isto é, mais do que dois rebites eram defei- tuosos. As: /t I t < 3}; isto é, a lâmpadaqueimaem menosde 3 horas. Au: /(x, y) Iy = x + 2O}; isto é, a temperatura máxima é 200 maior do que a mínima. Quando o espaçó amostra! S for finito ou infinito numerável, todo subconjunto poderá ser considerado um evento. [Constitui um exercício fácil de provar, e o faremos resumidamente, que se S cdn- tiver n elementos, existirão exatamente 2" subconjuntos (eventos).] Contudo, se S for infinito não-numerável, surgirá uma. dificuldade teórica. Verifica-se que nem todo subconjunto imaginável poderá 14 / PROBABILIDADE INTRODUÇÃO À PROBABILIDADE / 15 ser considerado um evento. Determinados subconjuntos "não admis- siveis" deverão ser excluidos por motivos que ultrapassam o nivel desta explanação. Felizmente, tais subconjuntos não-admissiveis não surgem nas aplicações e, por isso, não cuidaremos deles aqui. Na exposição subseqüente, será admitido tacitamente que sempre que nos referirmos a um evento, ele será da espécie que já admitimos considerar. Agora, poderemos empregar as várias técnicas de combinar con- juntos (isto é, eventos) e obter novos conjuntos (isto é, eventos), os quais já apresentamos anteriormente. representa o conjunto de todos os possíveis resultados, quando a. for executado n vezes. De certo modo, S X S X . . . X S é ele próprio um espaço amostral, a saber, o espaço amostral associado a n repetições de a.. Definição. Dois eventos, A e B, são denominados mutuamente excludentes,se eles não puderem ocorrer juntos. Exprimiremos isso escrevendoA n B = 0, isto é, a interseção de A e B é o conjunto (a) Se A e B forem eventos, A U B será o evento que ocorrerá se, e somente se, A ou B (ou ambos) ocorrerem. (b) Se A e B forem eventos, A n B será o evento que ocorrerá se, e somente se, A e B ocorrerem. vazio. Exemplo 1.4. Um dispositivo eletrônico é ensaiado e o tempo total de serviço t é registrado. Admitiremos que o espaço amostral seja {tlt;2: O}. Sejam A, B e C três eventos definidos da seguinte maneira: A = {tlt < loo}; B = {tI,50::; t::; 2OO-j;C.= {tlt > 150}. (c) Se A for um eventó, A será o evento que ocorrerá se, e so- mente se, não ocorrer A. (d) Se A" ' . ., An for qualquer coleção finita de eventos, então, U:-l Ai será o evento que ocorrerá se, e somente' se, ao menos um dos eventos Ai ocorrer. Conseqüentemente, A U B = {tlt::; 2ooj; A n B = {tI50::; t < looj; B U C = {tIt ;2:50}; B n C = {t 1150< t ::; 200j ; A n C = 0; AUC= {tlt< lOOout>150j; A= {tlt;2:1oo};C={t!t::;150j. (e) Se AI, ..., An for qualquer coleção finita de eventos, então n:-I Ai será o evento que ocorrerá se, e somente se, todosos eventos Ai ocorrerem. Uma das características fundamentais do conceito de "experi- mento", como foi apresentado na seção anterior, é que nós não sa- bemos qual resultado particular ocorrerá quando o experimento for realizado. Por outras palavras, se A for um evento associado a um experimento, então, não poderemos afirmar com certeza que A irá ocorrer ou não. Por isso, torna-se muito importante tentar associar um número ao' evento A, o qual medirá de alguma maneira quão verossímil é que o evento A venha a ocorrer. Essa tarefa nos leva à teoria da probabilidade. (f) Se A" . . .. An,. .. for qualquer coleção infinita (numerável) de eventos, então, Ui:1 Ai será o evento que ocorrerá se, e somente se, ao menos um dos eventos Ai ocorrer. (g) Se A" .. ., An,... for qualquer coleção infinita (numerável) de eventos, então, ni:1 Ai será o evento que ocorrerá se, e somente se, todosos eventos Ai ocorrerem. 1.6. Freqüência Relativa (h) Suponha-se que S represente o espaço amostral associado a algum experimento 8., e que nós executemos 8. duas vezes. Então, S X S poderá ser empregado para representar todos .osresultados dessas duas repetições. Portanto, (SI. S2) E S X S significa que S1 resultou quando 8. foi executado a primeira vez e S2. quando8.foiexecutadoa segunda vez. (i) O exemplo contido em (h) pode, obviamente, sergeneralizado. Considerem-s~n repetições de um experimento 8. cujo espaço amostra! seja S: S X S X . . . X S = {(S 1 , S2 , . . . , Sn)' SiE S, i = I,. . . , n j A fim de motivar a maneira de tratar o assunto, considere-se o seguinte procedimento: Suponha-se que repetimos n vezes o expe- rimento 8, e sejam A e B dois eventos associados a 8. Admitamos que sejam, respectivamente, nA e nB o número de vezes que o evento A e o evento B ocorram nas n repetições. Definição. iA = nA(n é denominada freqüência relativado evento A nas n repetições de 8. A freqüência relativafA apresenta as seguin- tes propriedades, de fácil verificação: (1) O ::; iA ::; 1. (2) i A = 1 se, e somente se, A ocorrer em todas as n repetições. 16 I PROBABILIDADE INTRODUÇÃO À PROBABILIDADE I 17 (3) tA = O se, e somente se, A nunca ocorrer nas n repetições. (4) Se A e B forem eventos mutuamente excludentes, e setA UB for a freqüência relativa associada ao evento A U B, então, tA U B = = tA +tB . (5) tA, com base em n repetições do experimento e considerada como uma função de n, "converge" em certo sentido probabilístico para P (A ), quando n -+00. Comentdrio: A Propriedade (5) está evidentemente expressada um tanto vagamente, nesta seção. Somente mais tarde (Seç. 12.2), estaremos aptos a tornar esta idéia mais precisa. Por enquanto, podemos apenas afirmar que a Propriedade (5) envolve a noção nitidamente intuitiva de que a freq üência relativa, baseada em um número crescente de observações, tende a se "estabilizar" próximo de algum valor definido. Este não é o mesmo conceito usual de convergência encontrado em alguma parte da Matemática. De fato, tal como afirmamos aqui, esta não é, de modo algum, uma conclusão matemática, mas apenas um fato empírico. Esta propriedade de estabilidade da freqüênda relativa é, por enquanto, uma. noção inteiramente intuitiva, porém mais tarde es- taremos aptos a tomá-Ia matematicamente precisa. A essência desta propriedade é que, se um experimento for executado um grande número de vezes, a freqüência relativa da ocorrência de algum evento A tenderá 8.variar ca.da vez menos à medida que o número de repe- tições for aumentada. Esta característica é também conhecida como regularidadeestatística. N6s fomos um tanto vagos em nossa definição de experimento. Quando um procedimento ou mecanismo constituirá, em nossa acep- ção, um experimento capaz de ser estudado matematicamente por meio de um modelo não-determinístico 1 Já afirmamos, anteriormente, que um experimento deve ser capaz de ser realizado repetid;1mente, sob condições essencialmente inalteradas. Agora, podemos acres- centar outra condição. Quando o experimento for repetidamente realizado, ele deverá. apresentar a regularidade estatística mencio- nada acima. Mais adiante, estudaremos um teorema (denominado Lei dos Grandes Números) que mostrará que a regularidade estatís- tica é, de fato, uma conseqüênciada primeira condição: reprodutibi- lidade. A maioria de nós está intuitivamente a par deste fenômeno de estabilização, muito embora nunca o tenhamos verificado. Fazê-Ioexige considerável porção de tempo e de paciência, porque inclui um grande número de repetições de um experimento. Contudo, algumas vezes, poderemos ser ingênuos observadores deste fenômeno, como ilustra o seguinte exemplo: Exemplo 1.5. Admitamos que estejamos postados na calçada e fixemos nossa atenção em doisblocos demeio-fioadjacentes.Suponha-se que comece a chover de tal maneira que sejamos realmente capazes de distinguir pingos isolados de chuva e registrar se essespingos caem num meio-fio ou noutro. Ficamos a observar os pingos e aanotar seu ponto de impacto. Denotando o i-ésimopingo por Xi>onde Xi = I se o pingo cair no primeiro meio-fio, e igual a O se cair no outro, poderemos observaruma seqüência como, por exemplo, I, 1, O, 1, O,O,O, I, O,0,1. ~ evidente que não seremos capazes de prever onde um particular pingo irá cair. (Nosso experimento consta de alguma espécie de situação me- teorológica que causa a queda dos pingos de chuva.) Se calcularmos a freqüência relativa do evento A = {o pingo cai no meio-fio I}, então, a seqüência de resultados acima dará origem às seguintes freqüências relativas (baseadas na observação de 1, 2, 3, .-.pingos): 1,1,2/3,3/4, 3/5, 3/6, 3/7,4/8,4/9,4/10,5/11, " . Esses números evidenciam um elevado grau de variação, especialmente no início. É intuitivamente evidente que, se o experimento acimacontinuasseindefmidamente, essas freqüências relativas iriam se estabilizar próximas do valor 1/2. Conse- qüentemente, teríamos toda razão em acreditar que, depois de algum tempo decorrido, os dois meios-fiosestariam igualmente molhados. 1.7. Noções Fundamentais de Probabilidade Voltemos agora ao problema proposto acima: atribuir um número a cada. evento A, o qual avaliará quão verossímil será a ocorrência. de A quando o experimento for realizado. Uma possivel maneira de tratar a questão seria a seguinte: repetir o experimento um grande número de vezes, calcular a freqüência relativa f A e utilizar esse nú- mero. Quando recordamos as propriedades de f A, toma-se evidente que este número fornece uma informação muito precisa de quão ve- rossímilé a ocorrência de A. Além disso,.sabemos que à medida que o experimento se repetir mais e mais vezes, a freqüência relativa fAse estabilizará pr6xima de algum número, suponhamos p. Há, con- tudo, duas sérias objeções a esta maneira de tratar a questão: (a) Não está esclarecido quão grande deva ser n, antes que se conheça o nú- mero: 1.0001 2.oo0? lO.ooo? (b) Uma vez que o experimento tenha sitio completamente' descrito e o evento A especificado, o número que estamos. procurando não deverá depender do experimentador ou da particular veia de sorte que ele possua. {Por exemplo, é pos- sível que uma moeda perfeitamente equilibrada, quando jogada 10 vezes, venha a apresentar 9 caras e 1 coroa. A freqüência rela- tiva do evento A = locorrer cara I seria, nesse caso, igual a 9/10. 18 I PROBABILIDADE INTRODUÇÃO À PROBABILIDADE I 19 No entanto, é evidente que nas pr6ximas 10 jogadas o padrão de caras e coroas possa se inverter.) O que desejamos é um meio de obter tal número, sem recorrer à experimentação. Naturalmente, para. que o número que convencionarmos tenha significado, qualquer experimentação subseqüente deverá produzir uma freqüência rela- tiva que seja "pr6xima" do valor convencionado, particularmente se o número de repetições, no qual a freqüência relativa calculada se tenha baseado, for muito grande. N6s procederemos, formalmente, da seguinte maneira: Definição. Seja S um experimento. Seja S um espaço amostral associado a S. A cada even1ioA associaremos um número real re- presentado por P(A) e denominado probabilidadede A, que satisfaça à.s seguintes propriedades: terá que ser um pouco mais paciente (até o pr6ximo capitulo), antes que aprenda como avaliar P(A). Antes de voltarmos a esta questão, vamos enunciar e demonstrar várias conseqüências relacionadas a P(A), que decorrem das condições acima e que não dependem da ma- neira pela qual n6s realmente calculamos P(A). Teorema 1.1. Se ~ for o conjunto vazio, então P (0) = o. Demonstração: Para qualquer evento A, podemos escrever A = A U 0. Uma vez que A e 0 são mutuamente excludentes, decorre da Propriedade 3, que P(A) = P(A U 0) = P(A) + P(~). Daqui, a conclusão do teorema é imediata. (1) O =:;;P(A) =:;;1. (2) P(S) = 1. (1.3) (3) Se A e B forem eventos mutuamente excludentes, P(AUB)= = P(A) + P(B). (4) Se AI>A2"'" An,... forem, dois a dois, eventos mutua- mente excludentes, então, Comentário: Mais tarde, teremos ocasião de ver que a reciproca do teorema acima não é verdadeira. Isto é, se P(A) = O,não poderemos, em geral, concluir que A = 9, porque existem situações nas quais atribuímos probabilidade zero a um evento que pode ocorrer. Teorema 1.2. Se 11 for o evento complementar de A, então P(A) = 1 - P(A). (1.4) P(Ut-lAi) = P(A1) + P(A2) + ...+ P(An) +... Demonstração: Podemos escrever S = A U 11 e, empregando a,<!Propriedades 2 e 3, obteremos 1 = P(A) + P(A).Observe-se que da Propriedade 3, decorre imediatamente que, para qualquer n finito, P (ü Ai )= i:P(Ai).i-I i-I Comentário: Esteé um resultado particularmente útil, porque ele significa que sempre que desejarmos avaliar P(A), poderemos calcular P(A) e, depois, obtermos o resultado desejado por subtração. Veremos mais tarde que, em mui- tos problemas, é muito mais fácil calcular P(A) do que P(A). A Propriedade 4 não se seguirá; no entanto, quando considerarmos o espaço amostral idealizado, esta propriedade será imposta e, por isso, foi incluída aqui. A escolha das propriedades da probabilidade acima relacionadas é, obviamente, sugerida pelas correspondentes características da freqüência relativa. A propriedade, antes mencionada como regu- laridade estatística, será mais adiante vinculada a esta definição de probabilidade. Por enquanto, n6s apenas afirmamos que se pode mostrar que os números P(A) e fA são "pr6ximos" um do outro (em determinado sentido), se fA for baseado CIX).um grande número de repetições. :É este fato que nos dá a justificativa da utilização de P(A) para avaliarmos quão verossímil é a ocorrência de A. Por enquanto não sabemos como calcular P(A). Nós apenas arrolamos algumas propriedades gerais que P(A) possui. O leitor Teorema 1.3. Se A e B forem dois eventos quaisquer, então P(A U B) = P(A) + P(B) - P(A () B). (1.5) Demonstração: .A idéia desta demonstração é decompor A U B e B em dois eventos mutuamente excludentes e, em seguida, aplicar a Propriedade 3. (Veja o Diagrama de Venn na Fig. 1.2.) Desse modo escreveremos A U B = A U (B () A), B = (A () B) U (B () A). Conseqüentemente, P(A U B) = P(A) + P(B () 11), P(B) = P(A () B) + P(B () A). 20 I PROBABILIDADE INTRODUÇÃO À PROBABILIDADE I 21 Subtraindo a segunda igualdade da primeira, obtém-se qüentemente, P(B) = P(A) + P(B n ii) 2::P(A), porque P(B () Ã) 2:: 2::°, pela Propriedade 1. P(A U B) - P(B) = P(A) - P(A () B) Comentário: Este resultado é, certamente, de conhecimento intuitivo, pois ele a.firma que se B deve ocorrer sempre que A ocorra, conseqüentemente, B é mais provável do que A. e daí chega-se ao resultado. 1.8. Algumas Observações " (a) Cabe aqui uma palavra de advertência. Da exposição an- terior poderia ser (incorretamente) inferido que quando escolhermos um modelo probabilístico para a descrição de algum fenômeno de observação, estaremos abandonando todas as relações determinís- ticas. Nada poderia estar mais distante da verdade. Nós ainda utilizamos o fato de que, por exemplo, a Lei de Ohm I = E/R vale em determinadas circunstâncias. A diferença seria uma diferença de interpretação. Em vez de afirmar que a relação ,acima determina I para E e R dados, admitiremos que E ou R (ou ambos) possam variar de alguma maneira aleatória imprevisível e que, em conse- qüência, I variará também de alguma forma aleatória. Para E e R dados, I será ainda determinado pela relação acima. O impor- tante é que, quando se adotar um modelo probabilístico para a des- crição de um circuito, considera-se a possibilidade de que E e R pos- sam variar de alguma maneira imprevisível, a qual somente pode ser descrita probabilisticamente. Portanto, desde que tenha sen- tido considerar somente a probabilidadede que E e R tomem certos valores, torna-se significativo falar somente da probabilidade de que I venha a tomar certos valores. (JJ /B S " 0~ ~ AnB AnB Fig.1.2 Comentário: Este teorema representa uma extensão imediata da Proprie- .dade 3, porque se A n B = 0, obteremos do enunciado acima a Propriedade 3. Teorema 1.4. Se A, B e C forem três eventos quaisquer, então P(A U B U C)=P(A) + P(B)+P(C)-P(A () B)-P(A () C)- - P(B () C) + P(A () B n C). (1.6) Demonstração: A demonstração consiste em escrever A U B U C na forma (A U B) U C e aplicar ó resultado do teorema anterior. Deixa-se ao leitor completar a demonstração. Comentário: Uma extensão óbvia do teorema é sugerida. quaisquer k eventos. Então, k k p(A1 U A2 U ", U Ak) = L P(Ai) - L P(Ai n Aj)+ i-I i<j-2 Sejam Alt..., Ak, (b) Algumas vezes, pode ser difícil realizar a escolha entre a adoção de um modelo determinístico ou um modelo probabilístico. Poderá depender da complicação de nossa técnica de mensuração e da exatidão associada a ela. Por exemplo, se medidas exatas forem tão difíceis de obter que leituras repetidas da mesma quantidade conduzam a resulta- dos variados, um modelo probabilístico será sem dúvida mais adequado para descrever a situação. k + L P(AinAjnAr) + ." + (-1)k-lp(AlnA2n...nAk). i<j<r-3 (1.7) (c) IndicaremoS' resumidamente que, sob certas circunstâncias, teremos condições de fazer hipóteses adicionais sobre o comportamento probabilístico de nossos resultados experimentais, as quais nos conduzi- rão a um método de avaliação das probabilidades básicas. A escolha dessas hipóteses adicionaispode ser baseada em consideraçõesfísicas do experimento (por exemplo, propriedades de simetria), evidência empí- Este resultado pode ser facilmente estabelecido por indução matemática. Teorema 1.5. Se A C B, então P(A) ~ P(B). Demonstração: Podemos decompor B em dois eventos mutua- mente excludentes, na seguinte forma: B = A. U (B () Ã). Conse- 22 I PROBABILIDADE INTRODUÇÃO À PROBABILIDADE I 23 rica ou, em alguns casos, apenas julgamento pessoal, baseado em experiência anterior de uma situação similar. A freqüência relativa tA pode desempenhar um importante papel em nossa deliberação sobre a atribuição numérica de P(A). Contudo, é importante compreender que qualquer suposição que façamos sobre P(A) deve ser tal, que sejam satisfeitos os axiomas básicos desde (1) até (4) da Defmição (1.3). preender que estaremos tão-somente substituindo um valor postulado por uma aproximação obtida experimentalmente. Quão boa ou má essa aproximação possa ser, de modo algum influencia a estrutura lógica de nosso modelo. Muito embora o fenômeno que o modelo tente representar tenha sido levado em conta na construção do mode- lo, nós nos teremos distanciado do próprio fenômeno (ao menos tempo- rariamente), quando entrarmos no reino do modelo. (d) No curso do desenvolvimento das idéias básicas da teoria da probabilidade, faremos algumas referências a deterllÚnadas analogias mecânicas. A primeira delas pode ser apropriada aqui. Em Mecânica, atribuímos a cada corpo B sua massa, digamos m(B). Em seguida, fa- remos diversos cálculos e obteremos várias conclusões sobre o compor- tamento de B e suas relações com outros corpos, muitas das quais envolvem sua massa m (B). O fato de que nós poderemos ter que recorrer a alguma aproximação para obter realmente m(B) para um corpo especificado não diminui a utilidade do conceito de massa. Semelhantemente, estipularemos para cada eventoA associadoaoespaço amostral de um experimento um número P(A), denollÚnadoprobabili- dade de A, e satisfazendo nossos axiomasbásicos. Ao calcularrealmente P (A) para um evento específico, nós teremos que fazer hipóteses adicionaisou que obter uma aproximaçãobaseadaem evidênciaempírica. Problemas 1.1. Suponha qlle o conjunto fundamental seja formado pelOlfinteiros p0- sitivos de 1 a 10. Sejam A == {2,3, 41, B == (3,4, 51, e C == {5,6, 71. Enu- mere os elementos dos seguintes conjuntos: (a) A n B. (b)A U B. (c)Ã n 1i. (d)A n (B n C). (e) A n (B U C). 1.2. Suponha que o conjunto fundamental U seja dado por U == == {xlO=:;;x=:;;21. Sejam os conjuntos A e B definidos da forma seguinte: A == {xl 1/2< x=:;;1\ e B == (xll/4=:;;x < 3/2\. Descrevaos seguintescon- juntos: (a) A U B. (b) A U B. (c)A n B. (d)A n B. (e) t muito importante compreender que nós tenhamos pos- tulado a existência do número P(A), e que tenhamos postulado de- ternúnadas propriedades que esse número possui. A validade das várias conseqüência:s (teoremas), decorrentes desses postulados, de modo algum depende da maneira pela qual iremos obter um ~alor numérico para P(A). :f; essencial que este ponto fique claro. Por exemplo, admitimos que P(A U B) = P(A) + P(B). A fim de em- pregar esta relação para a avaliação concreta de P(A U B), deveremos conhecer os valores de P(A) e de P(B). Explicaremos, resumida- mente, que sob certas circunstâncias, nós poderemosfazer suposições adicionais que conduzam a um método de avaliação dessas probabi- lidades. Se essas (ou outras) suposições não forem fundamentadas, poderemos ter de recorrer à experimentação a fim de alcançar o valor de P(A) a partir de dados reais. A freqüência relativa iA desempe- nhará nisso um importante papel e será, de fato, utilizada para apro- ximar P(A). 1.3. Quais das seguintes relações sf.o verdadeiras? (a) (A U B) n (A U C) == A U (B n C). (b) (A U B) == (A n B) U B. (c) Ã [) B == A U B. (d) (A U B) n C == Ã n B ne. (e) (A n B) n (B n C)== 9. 1.4. Suponha que o conjunto fundamental seja formado por todos os pontos (x, y) de coordenadas ambas inteiras, e que estejam dentro ou sobre a fronteira do quadrado limitado pelas retas x == O, y == O,% == 6 e y == 6. Enumereos ele- mentos dos seguintes conjunt{)S: (a) A == (X,y)IX2+y2=:;;6\. (b) B== {(x,y)IY=:;;X2\. (c) C == {(x, y)lx =:;;y21. (d) B n C. (e) (B U A) n C. 1.5. Empregue diagramas de Venn para estabelecer as seguintes rel~ões: (a) A C B e B C C implica que A C C. (b) A C B implica que A == A n B. (c) A C B implica que B C A. (d) A C B implica que A U C C B U C. (e) A n B == 9 e C C A implicamque B n C == 9. Contudo, é importante saber que i A e P(A) não são a mesma coisa; que nós apenas utilizaremos iA para aproximar P(A) e que, sempre que' nos referirmos a P(A), estaremos nos referindo ao valor postulado. Se nós "identificarmos" iA com P(A), deveremos com- 1.6. Peças que saem de uma linha de produção silo marcadM defeituosa (D) ou não defeituosa (N). As peças são inspecionadas e sus. condição registrads.. Isto é feito até que duas peças defeituosas consecutivas sejam fabricadas ou que quatro peças tenham sido inspecionadas, aquilo que ocorra em primeiro lugar. Descreva um espaço amostral para este experimento. 24 I PROBABILIDADE ,INTRODUÇÃO À PROBABILIDADE I 25 1.7. (a) Uma caixa com N lâmpadas contém r lâmpadas (r < N) com fil&- mento partido. Essas lâmpadas são verificadas uma a uma, até que uma lâm- pada defeituosa seja encontrada. Descreva um espaço amostra! para este expe- rimento. (b) Suponha que as lâmpadas acima sejam verificadas uma a uma, até que todas as defeituosas tenham sido encontradas. Descreva o espaço amost~a! para este experimento. (e) Exatamente dois dos eventos ocorrem. (d) Não mais de dois dos eventos ocorrem simultaneamente. 1.12. Demonstre o Teor IA. 1.8. Considere quatro objetos, a, b, e e d. Suponha que a ordem em que tais objetos sejam 'listados represente o resultado de um experimento. Sejam os eventos A. e B definidos assim: A. = ta está na primeira posição}; B = = Ib está na segunda posiçã.o!. (a) Enumere todos os elementos do espaço amostral. (b) Enumere todos os elementos dos eventos A. () B e .<1U B. 1.13. (a) Verifique que para qois eventos quaisquer, AI e .1.2, temos que P(AI U .1.2)::::;P(AI) + P(A2). (b) Verifique que para quaisquer n eventos AI" . ., An, temos que P(AI U. . . U An)::::;P(AIJ +. .. + P(An). [Swesúl:o: Empregue a indução matemática. O resúltado enunciado em (b) é denominado desigualdade de Boole.] 1.9. Um lote contém peças pesando 5, 10, 15, . .., 50 gramas. Admitamos que ao menos duas peças de cada peso sejam encontradas no lote. Duas peças são retiradas do lote. Sejam X o peso da primeira peça escolhida e Y o peso da segunda. Portanto, o par de números (X, Y) representa um resultado simples do experimento. Empregando o plano .\T, marque o espaço amostral e os seguin- tes eventos: 1.14. O Teor. 1.3 trata da probabilidade de que ao menos um de dois eventos A ou B ocorra. O seguinte enunciado se refere à probabilidade de que exatamente um dos eventos A ou B OCOrra. Verifique que PICA() B) U (B () :A)]= P(A) + P(B) - 2P(A () B). (a) [X = YI. (b) IY > XI. (e) A segunda peça é duas vezes mais pesada que a primeira. (d) A primeira peça pesa menos 10 gramas que a seglmda peça. (e) O peso médio de duas peças é menor do que 30 gramas. 1.15. Um certo tipo de motor elétrico falha se ocorrer uma das seguintes situações: emperramento dos mancais, queima dos enrolamentos, desgaste das escovas. Suponha que o emperramento seja duas vezes mais prpvável do que a queima, esta sendo quatro vezes mais provável do que o des!;aste das escovas. Qual será a probabilidade de que a falha seja devida a cada uma dessas circuns- tâncias ? 1.16. Suponha que A e B sejam eventos tais que P(A) = x, P(B) = y, e P(A () B) = z. Exprima cada uma das seguintes probabilidades em termos dex,yez. 1.10. Durante um período de 24 horas, em algum momento X, uma chave é posta na posiçã.o "ligada". Depois, em algum momento futuro Y (ainda du- rante o mesmo período de 24 horas), a cha\'e é virada para a posição "desligada". Suponha que X e Y sejam medidas em horas, no eixo dos tempos, com o infcio do período na origem da escala. O resultado do experimento é constituído pelo par de números (X, Y). (a) P(A:U B). (b) P(A: () B). (e) PcA U B). (d) P(A: () B). 1.17. Suponha que A, B e C sejam eventos tais que P(A) = P(B) = P(C) = = 1/4, P(A ri B) = P(C () B) = Oe P(A () C) = 1/8. Calcule a probabilidade de queao menosum.doseventosA, B ou C ocorra. (a) Descreva o espaço amostra\. (b) Descreva e marque no plano XY os seguintes eventos: (i) O circuito está ligado por uma hora ou menos. (ü) O circuito está ligado no tempo z, onde z é algum instante no período dado de 24 horas. (iii) O circuito é ligado antes do tempo II e desligado depois do tempo Ii (onde também II < 12 são dois instantes durante o período de 24 horas especificado). (iv) O circuito permanece ligado duas vezes mais tempo do que desligado. 1.18. Uma instalação é constituída de duas caldeiras e uma máquina. Admita que o evento A seja que a máquina esteja em boas condições de funcionamento, enquanto os eventos Bk (k = I, 2) são os eventosde que a k-ésimacaldeiraesteja em boas condições. O evento C é que a instalação possa funcionar. Se a instalação puder funcionar sempre que a máquina e pelo menos uma das caldeiras funcionar, expresse os eventos C e C, em termos de A e dos Bk' 1.11. Sejam A, B e C três eventos associados a um experimento. em notações de conjuntos, as seguintes afirmações verbais: (a) Ao menos um dos eventos ocorre. (b) Exatamente um dos eventos ocorre. Exprima 1.19. Um mecanismo tem dois tipos de unidades: I e 11. Suponha que se disponha de duas unidades do tipo I e três unidades do tipo 11.Defina os eventos A k, k = 1, 2 e Bj, j = 1, 2, 3 da seguinte maneira :Ak: a k.ésimaunidade do tipo I está funcionando adequadamente; Br aj-ésima unidade do tipo 11está funcionan- do adequadamente. Finalmente, admita que C represente o evento: o mecanismo funciona. Admita que o mecanismo funcione se ao menos uma unidade do tipo I e ao menos duas unidades do tipo 11funcionarem; expresse o evento C em termos dosAk e dosBj- ESPAÇOS AMOSTRAIS FINITOS / 27 Capítulo 2 . Para resumir: a atribuição de probabilidadesPi a cada evento elementar lad, sujeito às condições (a) e (b) citadas anteriormente, determina unicamente P(A) para cada evento A C S, onde P(A) é dado pela Eq. (2.1). Para. avaliarmos os Pi individuais, alguma hipótese referente aos resultados individuais deve ser feita. Exemplo 2.1. Suponha-se que somente três resultados sejam possíveis em um experimento, a saber, a1l (12e (1a. Aléni disso, su- ponha-se que. aI seja duas vezes mais provável de ocorrer que <Ia,o qual por sua vez é duas vezes mais provável de ocorrer que (1a. Portanto, 'PI = 2p2 e P2 = 2Pa. Já que PI + P2 + pa = 1, te- remos 4pa + 2pa + pa = 1, o que finalmente dá Espaços Amostrais Finitos 2.1. EspaçoAmostral Finito 1 Pa= 7' 2 4 P2 = 7 e PI = T' Neste capítulo nos ocuparemos unicamente de experimentos para os quais o espaço amostral 8 seja formado de um número jinito de elementos. Isto é, admitiremos que 8 possa ser escrito sob a forma 8 = IaI, a2,. . ., ak I. Se nos reportarmos aos exemplos de espaços amostrais da Seç. 1.4, observaremos que 811 82, 83, 84, 86, 87 e 812 são todos finitos. A fim de caracterizar P(A) para este modelo, deveremosini- cialmente considerar o evento formado por um resultado simples, algumas vezes denominado evento simples ou elementar, A = Ia;}. Procederemos da seguinte maneira: A cada evento simples {lli} associaremos um número Pi, deno- minado probabilidade de {ai I, que satisfaça às seguintes condições: (a) pi ~ °, i = 1,2,..., k, (b) PI + P2 + ... + pk = 1. Comenl4rio: Na exposição que se segue, empregaremos a expressão "igual- mente verosslmeis" para significar "igualmente prová"eis". 2.2. Resultados Igualmente Verossímeis [Porque Ia;} é um evento, essas condições devem ser coerentes com aquelas postuladas para as probabilidades dos eventos em geral, como foi feito nas Eq. (1.3). É fácil verificar que isso se dá.J Em seguida, suponha-se que um evento A seja constituído por r resultados, 1 ~ r ~ k, a saber A hip6tese mais comumente feita para espaços amostrais fini- tos é a de que todos os resultados sejam igualmente verossímeis. Esta hipótese não pode ser, contudo, tomada como segura; ela deve ser cuidadosamente justificada. Existem muitos experimentos para os quais tal hip6tese é assegurada, mas existem também muitas si- tuações experimentais nas quais seria absolutamente errôneo acei- tar-se essa suposição. Por exemplo, seria bastante irreal supor que seja igualmente verossímil não ocorrerem chamadas telefônicas em um centro entre 1 e 2 horas da madrugada e entre 17 e 18 horas da tarde. Se todos os k resultados forem igualmente verossímeis, segue-se que cada probabilidade será Pi = l/k. Conseqüentemente,a con- dição PI + .. . +Pk = 1 toma-se kPi = 1 para. todo i. Disto de- Correque, para. qualquer evento A formado de r resultados, teremos P(A) = Pi, + Pi, +...+ PiTo (2.1) P(A) = r/k. Este métodode avaliar P(A) é freqüentementeenunciadoda seguinte maneira.: P(A) == numero de casos favoráveis a A pelos quais B pode ocorrer número total de caSos pelos quais & pode ocorrer É Uiuito importante compreender que a expressão de P(A) acima é apenas uma conseqüência da suposição de que todos os resultados A = Iai" ai". . ., aiT}, onde j I, j2,. . ., jT representam um qualquer dos r índices, de 1 até k. Conseqüentemente, conclui-se da Eq. (1.3), Propriedade 4, que ~ 28 I PROBABILIDADE ESPAÇOS AMOSTRAIS FINITOS I 29 sejam igualmente verossímeis, e ela é aplicável somente quando essa suposição for atendida. Ela certamente não serve como uma defi- nição geral de probabilidade. Exemplo 2.2. Um dado é lançado e todos os resultados se su- põem igualmente verossímeis. O evento A ocorrerá se, e somente se, um número maior do que 4 aparecer, isto é, A = {5, 6}. Con- seqüentemente, P(A) = 1/6 + 1/6 = 2/6. Exemplo 2.3. Uma moeda equilibrada é atirada duas vezes. Seja A o evento: {aparece uma cara}. Na avaliação de P(A), a análise do problema poderia ser a seguinte: O espaço amostral é 8 = 10, 1, 2} onde cada resultado representa o número de caras que ocorre. Portanto, seria encontrada P(A) = 1/3! Esta análise é obviamente incorreta, porque no espaço amostral considerado acima, todos os resultados não são igualmente verossímeis. A fim de aplicar os métodos expostos, deveremos considerar em s.eu lugar o espaço amostral 8' = IHH, HT, TH, TT}, onde H representa cara, e T coroa. Neste espaço amostral todos os resultados são igualmente verossímeis e, por isso, obteremos como solução correta de nosso problema: P(A) = 2/4 = 1/2. Poderiamos empregar corretamente o espaço 8 da seguinte maneira: Os resultados O e 2 são igualmente verossímeis, enquanto o resultado 1 é duas vezes mais provável que qualquer um dos outros. Portanto, P(A) = 1/2, o que concorda com a resposta anterior. Este exemplo ilustra dois aspectos. Primeiro, deveremos estar bastante seguros de que todos os resultados possam supor-se igual- mente verossímeis, antes de empregar o procedimento acima. Se- gundo, poderemos freqüentemente, por uma escolha apropriada do espaço amostral, reduzir o problema a outro, em que todos os resul- tados sejam igualmente verossímeis. Sempre que possível, isto deve ser feito porque geralmente torna o cálculo mais simples. Este aspecto será de novo mencionado em exemplos subseqüentes. lhendo um cartão, tentaremos garantir que cada parafuso tenha de fato a mesma probabilidade de ser escolhido. Assim, poderemos nos meter em enorme trabalho a fim de assegurarmos que a suposição matemática de resultados igualmente verossímeis seja de fato apro- priada. Nos exemplos já vistos e em muitos que se seguirão, trataremos da escolha 3.()aeàSo de um ou mais objetos de uma dada coleção de objetos. Definamos esta noção mais precisamente. Suponhamos que se tenha N objetos, a saber aI, a2,.. ., aN. (a) Escolher ao acaso um objeto, dentre N objetos, significa que cada objeto tem a mesma probabilidade de ser esc,Olhido, isto é, Prob (escolher lli) = l/N, i = 1, 2,..., N. (b) Escolher ao acaso dois objetos, dentre N objetos, significa que cada par de objetos (deixada a ordem à parte) tem a mesma pro- babilidade de ser escolhido que qualquer outro par. Por exemplo, se devemos escolher ao acaso dois objetos dentre (aI, a2,a3,a4),obter aI e a2 é então tão provável quanto obter a2e a3etc. Esta formula- ção levanta imediatamente a questão de quantos pares diferentes existem. Admita-se que existam K desses pares. Então, a proba- bilidade de cada par seria l/K. Logo, veremos como calcular K. (c) Escolher ao acaso n objetos(n ::::;;N) dentre N objetos signi- fica que cada ênupla, a saber lli., lli". . ., llin é tão provável de ser escolhida quanto qualquer outra ênupla. Comentário: Já sugerimos acima que se deve tomar extremo cuidado durante o procedimento experimental, para assegurarmos que a suposição matemática de "escolher ao acaso" seja atendida. 2.3. .~étodos de Enumeração Muito freqüentemente, a maneira pela qual o experimento .é executado determina se os resultados possíveis são igualmente ve- rossímeis ou não. Por exemplo, suponha-se que retiremos um para- fuso de uma caixa que contenha três parafusos de tamanhos diferen- tes. Se simplesmente escolhermos o parafuso estendendo a mão dentro da caixa e apanhando aquele que tocarmos primeiro, é óbvio que o parafuso maior terá maior probabilidade de ser escolhido que os outros dois. No entanto, etiquetando cuidadosamente cada para- fuso com um número, escrevendo o número em um cartão, e esco- Deveremos fazer uma digressão, a esta altura, para aprender- mos como enumerar. Considere-se novamente a forma já vista de P(A), a saber P(A) = r/k, onde k é igual ao número total de maneiras pelas quais 8 pode ocorrer, enquanto r é igual ao número de ma- neiras pelas quais A pode ocorrer. Nos exemplos apresentados até aqui, pequena dificuldade foi ençontrada para calcular r e k. Mas nós precisamos estudar situações apenas um pouco mais complica- das, para percebermos a necessidade de alguns procedimentos siste- máticos de contagem ou enumeração. , . ...',~Ij~~ 30 I PROBABILIDADE Exemplo 2.4. Uma partida de cem peças é composta de 20 peças defeituosas e 80 peças perfeitas. Dez dessas peças são esco- lhidas ao acaso, sem reposição de qualquer peça escolhida antes que a seguinte seja escolhida. Qual é a probabilidade de que exatamente metade das peças escolhidas seja defeituosa? Para analisarmos este problema, consideremos o seguinte espa- ço amostra I S. Cada elemento de S é constituído de dez possíveis peças da partida, (ih i2,. . ., ilo). Quantos resultados desses existem? E dentre esses resultados, quantos têm a característica de que exa- tamente a metade das peças seja defeituosa? Nós, evidentemente, precisamos ter condições de responder a tais questões a fim de resol- vermos o problema em estudo. Muitos problemas semelhantes dão origem a questões análogas. Nas poucas seções seguintes, apresen- taremos algumas técnicas sistemáticas de enumeração. A.. Regra da Multiplicação. Suponha-se que um procedimento designado por 1 possa ser executado de nl maJ~eiras. Admita-se que um segundo procedimento, designado por 2, possa ser executado de n2 maneiras. Suponha-se, também, que
Compartilhar